OpenAI: Text Embedding Ada 002
En tekstembeddingmodell fra OpenAI som returnerer en numerisk vektor med 1 536 dimensjoner. Bruk representasjonene til semantisk søk, anbefalinger av relatert innhold, klyngedannelse, klassifisering eller oppdagelse av uvanlige tekstposter.
- Ailoot Ultra · Vektorrepresentasjoner
POST /v1/embeddingsopenai/text-embedding-ada-002 - Ailoot Ultra · Vektorrepresentasjoner · text-embedding-ada-002
POST /v1/embeddingstext-embedding-ada-002
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
text-embedding-ada-002 er OpenAIs tekstembeddingmodell for å representere skriftlig materiale som en numerisk vektor. Resultatet inneholder 1 536 komponenter. Produsenten kombinerer tekstlikhet, dokument-/forespørselssøk og kodesøk i én representasjon. Resultatet er data for sammenligning eller en annen algoritme, ikke et generert svar på teksten det beregnes en embedding av.
For semantisk søk klargjøres meningsfulle dokumentpassasjer, og kildeidentifikatorene bevares. En illustrerende arbeidsflyt beregner embeddingvektorer for hver passasje og brukerens spørsmål med samme modell, sammenligner vektorene og returnerer de relevante kildepassasjene. Applikasjonen bestemmer gjenfinningsregelen, filtrene og presentasjonen. Et påfølgende tekstgenereringstrinn kan bruke det hentede materialet til å utforme et svar, mens embeddingmodellen leverer den numeriske representasjonen.
Andre dokumenterte bruksområder omfatter gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering av tekst og identifisering av avvikere. For en anbefaling sammenlignes beskrivelser av objektene hvis forhold er relevant. For klassifisering beskriver veiledningen sammenligning med kategorirepresentasjoner eller bruk av vektorer som egenskaper i en klassifikator. For anomalideteksjon er det relevante resultatet en post som skiller seg fra samlingen rundt, tolket etter produktets oppgave.
OpenAI oppgir maksimalt 8 192 tokener per inndataelement for denne modellen. Produsentens embedding-API godtar tekststrenger eller tokeniserte inndata, tillater flere inndataelementer i én forespørsel og avviser tomme strenger. Den samlede grensen er 300 000 tokener i én forespørsel, i tillegg til grensen per inndataelement. Del lengre dokumenter i nyttige passasjer, og bevar titler, definisjoner og referansen tilbake til originalmaterialet.
Resultatet er en vektor med flyttallsverdier; produsenten dokumenterer også base64 som en alternativ transportkoding. OpenAIs parameter for å redusere dimensjoner gjelder embeddingmodeller fra tredje generasjon og senere, så Ada-modellens dokumenterte resultat med 1 536 dimensjoner holdes atskilt fra denne kontrollen. Lagre modellidentiteten og vektoren sammen med kildeposten slik at senere sammenligninger bruker en konsekvent representasjon.
Embeddingveiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde. For disse vektorene kan et skalarprodukt beregne cosinuslikhet, og euklidisk avstand gir samme rangering. En likhetsskår er en del av applikasjonens gjenfinnings- eller klassifiseringslogikk, ikke en kategorisk avgjørelse modellen leverer automatisk.
Definer hvilke kildefelt som blir inndatateksten, og hvordan passasjer skal deles. Et illustrerende resultat er et rangert sett med dokumentpassasjer eller relaterte poster, hver knyttet til den opprinnelige kilden og regelen som ble brukt for utvalget. Hold klargjøringen konsekvent, og vurder om det returnerte materialet gjelder det faktiske spørsmålet. Dette gjør det numeriske resultatet nyttig til neste søke-, anbefalings- eller analysetrinn.
Ailoot Ultra · Vektorrepresentasjoner POST /v1/embeddings openai/text-embedding-ada-002
openai/text-embedding-ada-002openai/text-embedding-ada-002text-embedding-ada-002
Start
En tekstembeddingmodell fra OpenAI som returnerer en numerisk vektor med 1 536 dimensjoner. Bruk representasjonene til semantisk søk, anbefalinger av relatert innhold, klyngedannelse, klassifisering eller oppdagelse av uvanlige tekstposter.
- Godkjente inndata
- Tekst · token_ids
- Resultater
- embedding
Tilgjengelig i Ailoot · inndata & metoder
Ailoot Ultra · Vektorrepresentasjoner POST /v1/embeddings
- Inndatatyper
text,token_ids- Utdatatyper
embedding- Kontekst
- 8 192 tokens
- Utdataformat
- json
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/text-embedding-ada-002 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 8 192 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
Kombinasjoner av inngående materialer
text_to_embedding
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale8192 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext, token_ids |
Livssyklus: synchronous_json
Bevar hver vektors indeks og dimensjon.
Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.
Priser
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
- Hurtigmodus
- Standardpris Når hurtigmodus er valgt
- Flex-modus
- Standardpris Når flex-modus er valgt
- Maksimal resonneringsinnsats
- Standardpris Når justeringen «default» brukes for maksimal resonneringsinnsats
Ailoot-satser
Priser etter konfigurasjon
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot Ultra · Vektorrepresentasjoner
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "openai/text-embedding-ada-002", "input": ["First document", "Second document"]}')
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
from openai import OpenAI
import os
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='openai/text-embedding-ada-002',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Motta og lagre resultater
Ailoot Ultra · Vektorrepresentasjoner
json
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.
Hvis det opprinnelige svaret må kontrolleres
Det innføres ikke noe endepunkt for embedding-jobber.
Svarfelter
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Aliaser
Modellaliaser
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
Ailoot Ultra · Vektorrepresentasjoner · text-embedding-ada-002 POST /v1/embeddings text-embedding-ada-002
text-embedding-ada-002openai/text-embedding-ada-002text-embedding-ada-002
Start
En tekstembeddingmodell fra OpenAI som returnerer en numerisk vektor med 1 536 dimensjoner. Bruk representasjonene til semantisk søk, anbefalinger av relatert innhold, klyngedannelse, klassifisering eller oppdagelse av uvanlige tekstposter.
- Godkjente inndata
- Tekst
- Resultater
- embedding
Tilgjengelig i Ailoot · inndata & metoder
Ailoot Ultra · Vektorrepresentasjoner · text-embedding-ada-002 POST /v1/embeddings
- Inndatatyper
text- Utdatatyper
embedding- Kontekst
- 8 192 tokens
- Utdataformat
- json
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser text-embedding-ada-002 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 8 192 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Valgfrie JSON-metadata; den eksakte betydningen hos leverandøren avhenger av den valgte modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Valgfrie JSON-metadata; den eksakte betydningen hos leverandøren avhenger av den valgte modellen. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Valgfrie JSON-metadata; den eksakte betydningen hos leverandøren avhenger av den valgte modellen. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
Kombinasjoner av inngående materialer
text_to_embedding
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale8192 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_json
Send den eksakte modell-ID-en og de påkrevde feltene.
Behold hvert returnert element og de opprinnelige identifikatorene.
Priser
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
- Hurtigmodus
- Standardpris Når hurtigmodus er valgt
- Flex-modus
- Standardpris Når flex-modus er valgt
- Maksimal resonneringsinnsats
- Standardpris Når justeringen «default» brukes for maksimal resonneringsinnsats
Ailoot-satser
Priser etter konfigurasjon
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot Ultra · Vektorrepresentasjoner · text-embedding-ada-002
{
"model": "text-embedding-ada-002",
"input": [
"First document",
"Second document"
],
"encoding_format": "float"
}set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path
source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))
PY_RESULT
import json, os
from pathlib import Path
source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
from urllib.request import Request, urlopen
from urllib.error import HTTPError
api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}
headers['Authorization'] = 'Bearer ' + api_key
request = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
with urlopen(request, timeout=120) as response:
raw = response.read()
Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
Path('result.json').write_bytes(error.read())
Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path
result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))
Motta og lagre resultater
Ailoot Ultra · Vektorrepresentasjoner · text-embedding-ada-002
json
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hver vektor med endelige verdier og dens opprinnelige indeks. Bevar alle dimensjoner og hele forbruksobjektet.
Hvis det opprinnelige svaret må kontrolleres
Det innføres ikke noe endepunkt for embedding-jobber.
Svarfelter
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Aliaser
Modellaliaser
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · OpenAI: Text Embedding Ada 002
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/embeddings·openai/text-embedding-ada-002:text,token_ids→embeddingPOST /v1/embeddings·text-embedding-ada-002:text→embedding- Hvilke felt bruker forespørselen?
POST /v1/embeddings·openai/text-embedding-ada-002:model,input,encoding_format,providerPOST /v1/embeddings·text-embedding-ada-002:model,input,encoding_format,provider- Hvilke grenser gjelder?
POST /v1/embeddings·openai/text-embedding-ada-002:ctx:8192;input.budget.maximum:8192(UTF8-byte);input.min_items:1POST /v1/embeddings·text-embedding-ada-002:ctx:8192;input.budget.maximum:8192(UTF8-byte);input.min_items:1